LSB Steganography Using Pixel Locator Sequence with AES
图像隐写术是将数据隐藏到图像中的艺术。秘密数据，如消息，音频，图像可以隐藏在封面图像中。这主要通过将数据隐藏到图像像素的LSB（最低有效位）中来实现。为了提高隐写术的安全性，本文研究了基于AES（Advanced Encryption Standard）的数据加密和基于LSB的数据隐藏技术，该技术采用用户自定义的加密数据像素分布，而不是通常的线性计算方法，即以线性形式存储数据。该数据分布文件将包含要加密/解密的数据的位置（以像素编号的形式），该位置用AES进一步加密，从而为存储在像素上的数据及其位置提供双重加密。隐写术在医学、军事、版权信息等方面有着广泛的应用。
2020-12-04 cs.CR
Strict Authentication Watermarking with JPEG Compression (SAW-JPEG) for Medical Images
提出了一种严格认证的医学图像水印算法。在这个方案中，我们定义的兴趣区（ROI）采取最小的矩形周围的图像。水印是通过对感兴趣区域进行散列来生成的。嵌入区域被认为是在感兴趣区域之外，以保护该区域不因水印而失真。严格认证水印对一定程度的JPEG压缩（SAW-JPEG）具有鲁棒性。将审查JPEG压缩。为了在空间域中嵌入水印，我们必须确保嵌入的水印能够经受住JPEG量化过程。给出了数字水印的嵌入、提取和验证过程。实验结果表明，该方案能够在较高的压缩比下实现水印的嵌入和提取。水印对高达90.6%的高压缩率具有鲁棒性。对于最低有效位嵌入，JPEG图像质量阈值为60。对于第2和第3 LSB操作，图像质量阈值增加到61。
2011-01-27 cs.CR
Medical Image Watermarking using 2D-DWT with Enhanced security and capacity
远程放射学使医学图像能够在计算机网络上传输，用于许多目的，包括临床解释、诊断、存档等。在远程医疗中，可以在传输时操纵医学图像。此外，立法规则具体规定了医疗信息安全要求，有关实体必须遵守这些要求。在本研究中，我们提出了一种新的方案，基于二维离散小波变换（2D DWT），以提高医学图像的鲁棒性和认证。此外，本研究还通过对医学图像进行加密和压缩，提高了医学图像水印的安全性和容量。对个人数据集进行评价，其中包含194例CTI和68例MRI病例。
2017-03-16 cs.CR cs.MM
Data Exfiltration by Compression Attack: Definition and Evaluation on Medical Image Data
本文提出了一种基于图像压缩的新型数据外泄攻击，通过医学图像数据验证其有效性，并探讨了差分隐私等防护措施的应对策略。
2025-12-08 cs.CR
Reversible Data Hiding over Encrypted Images via Intrinsic Correlation in Block-Based Secret Sharing
针对现有加密图像可逆数据隐藏方案的计算复杂度高、嵌入率低和数据膨胀过度问题，基于块级秘密共享的内在相关性提出两种空间保留方法，设计高容量和尺寸缩减两种方案，分别提升嵌入容量和控制数据膨胀。
2025-02-16 cs.CR
A Fresnelet-Based Encryption of Medical Images using Arnold Transform
Hanyang University（汉阳大学）；University of Manchester（曼彻斯特大学）；Rashid Hospital（拉希德医院）
医学图像通常存储在数字媒体中，并通过互联网传输用于某些用途。如果医学信息图像改变，这可能导致错误的诊断，这可能产生严重的健康问题。此外，数字形式的医学图像可以很容易地通过故意删除或添加小块信息来修改，以达到某些非法目的。因此，医学图像的可靠性是医院信息系统中的重要标准。在本文中，Fresnelet变换与适当处理的Arnold变换和离散余弦变换一起使用，以提供安全的医学图像的分布。该方法提出了一种新的数据隐藏系统，其中隐写术和密码学用于防止未经授权的数据访问。实验结果表明，该算法对嵌入图像具有很高的不可感知性，对信息图像具有很好的加密效果。
2013-02-15 cs.CR cs.CV
Private DNA Sequencing: Hiding Information in Discrete Noise
针对DNA测序中的隐私泄露问题，提出以混合DNA样本为加性噪声、互信息为隐私度量的遗传标记隐藏方案，推导了离散优化问题的闭式下界与贪心算法上界，且二者经验上十分接近。
2024-11-04 cs.CR cs.IT math.IT
Innamark: A Whitespace Replacement Information-Hiding Method
Fraunhofer ISST（弗劳恩霍夫研究所）；Montsecure GmbH（蒙特塞cur公司）；TU Dortmund（图尔恩大学）
本文提出 Innamark 信息隐藏方法，通过替换视觉相似的 Unicode 空白字符在纯文本中嵌入秘密信息，并支持压缩、加密、哈希和纠错，在保持语义和字符数不变的同时实现鲁棒且不可感知的水印。
2025-08-21 cs.AI cs.CR cs.SE
PRIS: Practical robust invertible network for image steganography
College of Science, China Agricultural University（中国农业大学理学院）
本文提出基于可逆神经网络的图像隐写方法PRIS，通过增强模块、三步训练策略及梯度近似函数处理舍入误差，在鲁棒性和实用性上优于现有方法。
2023-11-28 cs.AI cs.CR cs.CV
Data Stealing Attack on Medical Images: Is it Safe to Export Networks from Data Lakes?
Inria（法国国家信息与自动化研究所）；Université Côte d’Azur（蔚蓝海岸大学）
在隐私保护机器学习中，学习模型的所有者通常不具有对数据的任何物理访问。相反，只有对数据湖的安全远程访问被授予模型所有者，而没有任何从数据湖检索数据的能力。然而，模型所有者可能希望定期从远程存储库中导出训练模型，这是否会导致数据泄漏的风险。本文介绍了神经网络导出过程中数据窃取攻击的概念。它包括在导出的网络中隐藏一些信息，允许在数据湖中重建最初存储在该数据湖中的图像。更准确地说，我们表明，它是可能的训练网络，可以执行有损图像压缩，并在同一时间解决一些实用的任务，如图像分割。然后，攻击通过导出压缩解码器网络以及一些图像代码来进行，这些代码导致在数据湖之外进行图像重建。我们探讨了这种攻击CT和MR图像数据库的可行性，表明有可能获得目标数据集的感知有意义的重建，并且被盗数据集可以轮流用于解决广泛的任务。综合实验和分析表明，数据窃取攻击应被视为对敏感成像数据源的威胁。
2022-06-07 cs.CR cs.LG
Generic Reversible Visible Watermarking Via Regularized Graph Fourier Transform Coding
可逆可见水印是一种主动版权保护机制。它不仅透明地将版权图案叠加在数字图像或视频帧的特定位置上以声明版权所有权信息，而且完全擦除可见水印图像，从而能够无任何失真地恢复原始宿主图像。然而，现有的RVW算法大多针对特定的可见水印方案构造可逆映射机制，通用性不强。因此，我们提出了一个通用的RVW框架，以适应各种可见水印方案。特别地，我们得到一个重建数据包--水印图像和原始宿主图像之间的压缩差图像，它通过任何传统的可逆数据隐藏方法嵌入到水印图像中，以便于宿主图像的盲恢复。关键是实现差分图像的紧凑压缩，以有效地嵌入重建数据包。为此，我们提出了正则化图傅立叶变换（GFT）编码，其中差分图像通过图拉普拉斯正则化器进行平滑，以实现更有效的压缩，然后以近似最佳的方式通过多分辨率GFT进行编码。实验结果表明，该框架具有更好的通用性比国家的最先进的方法。由于要嵌入的辅助信息量很小，所以水印图像的视觉质量也更高。
2021-11-26 cs.CR cs.MM eess.IV
Privacy-Preserving AI for Encrypted Medical Imaging: A Framework for Secure Diagnosis and Learning
Daffodil International University（达福国际大学）
针对医疗AI应用中的患者隐私问题，提出结合AES-CBC加密、JPEG2000压缩与Masked-CNN的加密医学影像隐私保护诊断框架，在公开数据集上验证其性能接近未加密模型，兼具实用性与可扩展性。
2025-05-17 cs.AI cs.CR eess.IV
MedRDF: A Robust and Retrain-Less Diagnostic Framework for Medical Pretrained Models Against Adversarial Attack
Nanjing University of Aeronautics and Astronautics（南京航空航天大学）
深度神经网络被发现在不可感知的对抗性样本攻击下不具有鲁棒性，这对于将其应用于要求高可靠性的医疗诊断系统是非常危险的。然而，在自然图像中具有良好效果的防御方法可能不适合医学诊断任务。预处理方法（例如，随机缩放、压缩）可能导致医学图像中的小损伤特征的丢失。在增强数据集上重新训练网络对于已经在线部署的医学模型也是不切实际的。因此，有必要为医疗诊断任务设计一个易于部署和有效的防御框架。在本文中，我们提出了一个针对对抗攻击的医学预训练模型的鲁棒和无重训练诊断框架（即，MedRDF）。它作用于相关医学模型的推理时间。具体来说，对于每一个测试图像，MedRDF首先创建它的大量噪声副本，并从预训练的医学诊断模型中获得这些副本的输出标签。然后，基于这些副本的标签，MedRDF通过多数投票输出最终的鲁棒诊断结果。除诊断结果外，MedRDF还生成鲁棒性度量（RM）作为结果的置信度。因此，利用MedRDF将预训练的非鲁棒诊断模型转换为鲁棒诊断模型是方便和可靠的。在COVID-19和DermaMNIST数据集上的实验结果验证了MedRDF在提高医学诊断模型鲁棒性方面的有效性。
2021-11-29 cs.CR cs.CV cs.LG
Can collaborative learning be private, robust and scalable?
Technical University of Munich（慕尼黑工业大学）；Imperial College London（伦敦帝国学院）；Helmholtz Zentrum München（慕尼黑亥姆霍兹中心）
在用于医学图像分析的联邦学习中，学习协议的安全性至关重要。这样的设置通常会被攻击者破坏，攻击者的目标要么是联盟使用的私有数据，要么是模型本身的完整性。这就要求医学成像界开发出一种机制来训练协作模型，这种模型是私有的，并且对对抗性数据具有鲁棒性。为了应对这些挑战，我们提出了一个实用的开源框架来研究差分隐私，模型压缩和对抗性训练相结合的有效性，以提高模型对对抗性样本在训练和推理时间攻击下的鲁棒性。使用我们的框架，我们实现了有竞争力的模型性能，显着减少模型的大小和改进的经验对抗鲁棒性没有严重的性能下降，在医学图像分析中至关重要。
2022-08-08 cs.CR cs.LG
HeartSpot: Privatized and Explainable Data Compression for Cardiomegaly Detection
Carnegie Mellon University（卡内基梅隆大学）；Faculty of Engineering of the University of Porto（波尔图大学工程学院）；INESC TEC（葡萄牙国家工程与系统创新研究所科技中心）
用于胸部X射线图像分析的数据驱动深度学习的进展强调了对可解释性、隐私性、大型数据集和重要计算资源的需求。我们将隐私和可解释性作为有损的单个图像压缩问题来框架化，以在不进行训练的情况下减少计算和数据需求。对于胸部X射线图像中的心脏肥大检测，我们提出了HeartSpot和四个空间偏差先验。HeartSpot先验定义了如何根据医学文献和机器的领域知识对像素进行采样。HeartSpot通过丢弃高达97%的像素来私有化胸部X射线图像，例如那些显示胸廓形状，骨骼，小病变和其他敏感特征的像素。HeartSpot先验是事前可解释的，并给出了保留的空间特征的人类可解释的图像，该图像清晰地勾勒出心脏。HeartSpot提供强大的压缩功能，像素减少多达32倍，文件大小减少11倍。与基线DenseNet121相比，使用HeartSpot的心脏肥大检测器的训练速度最多快9倍，或者至少同样准确（最多+.01 AUC ROC）。HeartSpot是事后可解释的，通过重新使用现有的归因方法，而无需访问原始的非私有化图像。总之，HeartSpot提高了速度和准确性，减小了图像大小，提高了隐私性并确保了可解释性。源代码：https://www.github.com/adgaudio/HeartSpot
2022-10-05 cs.CR cs.CV cs.LG
